基于非自回归扩散的连续时间长期事件预测时序点过程
机器学习
2023-11-03 v1 人工智能
社会与信息网络
摘要
连续时间长期事件预测在许多应用场景中起着重要作用。大多数现有工作依赖自回归框架来预测事件序列，存在误差累积问题，从而损害预测质量。受去噪扩散概率模型成功的启发，我们提出了一种基于扩散的非自回归时序点过程模型，用于连续时间下的长期事件预测。我们的模型不是以自回归方式逐个生成事件，而是将未来事件序列作为一个整体进行预测。为了在事件序列上执行扩散过程，我们开发了目标事件序列与欧几里得向量空间之间的双向映射。此外，我们设计了一种新颖的去噪网络，以捕获序列与上下文特征，从而获得更好的样本质量。大量实验证明，我们提出的模型在连续时间长期事件预测上优于最先进的方法。据我们所知，这是首个将扩散方法应用于长期事件预测问题的工作。
引用
@article{arxiv.2311.01033,
title = {Non-Autoregressive Diffusion-based Temporal Point Processes for Continuous-Time Long-Term Event Prediction},
author = {Wang-Tao Zhou and Zhao Kang and Ling Tian},
journal= {arXiv preprint arXiv:2311.01033},
year = {2023}
}